“AI 翻译质量已经够用了”——我们去年也这么信过，直到一批 AI 译的上架文案在德语市场被用户截图嘲笑，在日语市场被投诉”像机器说话”。那次事故之后，我们做了件笨事：把四种出海场景、五种目标语言、一共 640 条真实内容，拿人工母语审校逐字打了分。
这篇是那批分数的账：大模型翻译在营销文案、客服对话、产品 UI 和法务文本四种场景下的真实得分。结论先说：机器翻译的可用性严重依赖场景，营销文案已经能打，法务和客服一句都不能直接用；而决定成败的不是”机翻质量”，是”你把多少上下文喂给了模型”。
一、测试设计：先定义”可用”的分界线
翻译评测最大的坑是拿”通顺度”当指标。通顺是最容易做到的，品牌语气、术语一致性、文化适配、甚至禁用词合规，全都不在通顺里面。我们的评分维度按商用场景拆成五项：
- 准确性（信息无损）：价格、规格、承诺、时间节点是否译错或软化。
- 语气适配：品牌语调是否保留（我们对 C 端是”友好不轻佻”）。
- 术语一致性：同一产品名、功能名、按钮文案全文是否统一。
- 文化合规：是否存在当地禁忌、宗教敏感、俚语误用。
- 可直接上架率：母语审校员”愿意直接发布”的比例。
测试内容全部来自真实资产：电商详情页 180 条、客服对话模板 160 条、产品 UI 字符串 200 条、法务条款 100 条。目标语言：英语、德语、日语、阿拉伯语、西班牙语。每条由两名母语审校员独立盲审，分歧较大的送第三人。
二、四种场景的真实分差
| 场景 | 准确性 | 语气适配 | 术语一致性 | 文化合规 | 可直接上架率 |
|---|---|---|---|---|---|
| 产品 UI 字符串 | 94.1 | 87.6 | 62.3 | 91.2 | 81.5% |
| 电商详情页文案 | 89.7 | 79.4 | 88.1 | 85.0 | 72.0% |
| 客服对话模板 | 92.3 | 58.2 | 74.5 | 80.6 | 41.0% |
| 法务条款 | 83.5 | 71.0 | 79.2 | 88.1 | 12.0% |
UI 字符串最接近可用，法务条款几乎全不可用——这个排序和多数人直觉相反。多数人以为”法务文本最标准化最好译”，实际情况是：法务文本里每个限定词都是承诺。“may refund”译成”可以退款”和”可予以退款”在法律上是两件事，而模型为了通顺，天然倾向于削平这种差异。
日语是分数最低的目标语言，客服模板可直接上架率只有 28%。审校员的意见高度一致：“礼貌层级错了。”中文客服的”亲”译成日语的「親しい」是灾难，模型不懂得在です/ます体、丁寧語、尊敬語之间按客户关系切换。这不是词汇问题，是语言社会规范问题，而这恰恰是现在模型最薄弱的部分。
三、五个语言的术语翻车实录
| 原文 | 机翻结果 | 问题 | 母语审校后的处理 |
|---|---|---|---|
| 会员专属折扣 | EN: “Exclusive member discount” | 语义正确但在 EN 语境里像奢侈品话术，廉价感 | 改为 “Member-only price” |
| 购物车 | DE: “Einkaufswagen” / “Warenkorb” | 同一页面出现两种译法，按钮和正文不一致 | 统一为 “Warenkorb” |
| 七天无理由退换 | JP: 「7日間の理由なき返品」 | 读作”无端退货”，负面暗示 | 改为「7日間以内の返品・交換対応」 |
| 礼品 | AR: 直译”礼物” | 与当地宗教文化中赠礼含义冲突 | 改用当地通用促销词 |
| 一键下单 | ES: “Un clic para pedir” | 正确但冗长，按钮放不下 | 压缩为 “Pedir en 1 clic” |
注意第二行：术语不一致是最常见的失败，而且它不是质量问题是工程问题。同一批 prompt 分两次调用，模型自己给出了两种译法——因为它没有全局状态。只要你不显式管理术语表，一致性就一定会随调用次数衰减。
四、把上架率从 41% 拉到 88% 的四个动作
1. 术语表 + 风格指南注入，强制约束。把我们 340 个核心术语（产品名、功能名、按钮、禁译词）和每种语言的语气规范，作为system 级约束注入，并明确”不得替换术语表的译法”。这一项让术语一致性从 62 分升到 91 分，是单项收益最大的改造。
2. 分场景定制 prompt，不要一套 prompt 打天下。客服模板单独加上了”礼貌层级对照表”和”禁用语气词清单”；法务文本额外要求”保留全部限定词，不得为通顺而合并句意”。场景特化后，客服模板上架率从 41% 到 74%，法务从 12% 到 34%。
3. 建立母语审校抽样，而不是全量人工。全量人工失去了用 AI 的意义。我们按 10% 抽检 + 全量术语一致性正则校验：凡是正文与术语表不一致的，机器自动拦截返工。抽检是为了发现”新型错误”，正则校验是为了防”已发现错误复发”，两者覆盖的错误类型不重叠。
4. 法务和价格条款走”人译 + AI 校对”反相流程。法务文本先由人工译，AI 做一致性复核和漏译检查。AI 在校对角色上比在创作角色上可靠得多——因为校对是有参考答案的判决任务，创作是开放式生成任务。
| 场景 | 改造前上架率 | 改造后上架率 | 关键动作 |
|---|---|---|---|
| 产品 UI 字符串 | 81.5% | 96.0% | 术语表 + 长度约束 |
| 电商详情页 | 72.0% | 91.5% | 场景化 prompt + 语气规范 |
| 客服模板 | 41.0% | 74.0% | 礼貌层级表 + 禁用语清单 |
| 法务条款 | 12.0% | 34.0% | 人译 + AI 校对反相 |
法务 34% 是我们认可的上限。剩下的必须人工。这不是模型的锅，是法律文本的性质决定的——它的价值恰恰在那些”读起来不通顺”的精确性里。
五、落地建议
- 先建术语表，再开翻译。没有术语表的 AI 翻译，一致性会随调用次数指数衰减，返工成本吃掉全部效率收益。
- 按场景拆 prompt，按风险分级流程。法务、价格、承诺类文本一律人工，客服和 UI 走 AI 加抽检。
- 用正则做术语一致性校验，这是唯一可规模化的质量闸门。
- 目标语言超过五种后，评估”每个语言一个母语审校”的固定成本，这点人力是绕不过去的。
- 别用 BLEU 分数验收。商用翻译的失败九成不在词汇层面，在语气、合规和一致性上。
总结
640 条内容的结论可以压成三句话：AI 翻译在 UI 和详情页已经可用，在客服和法务还差得远；决定成败的不是模型质量，是术语表、场景化 prompt 和质量闸门这三个工程动作；法务文本永远走人工。
更重要的认知转变是：翻译不是”把 A 语言变成 B 语言”，是”把 A 语言的商业意图移植到 B 语言的文化语境里”。前者是词汇问题，后者是理解问题。模型的强项是前者，所以你给它的任务越贴近前者，它越可靠。把文化判断、礼貌层级、法律精确性从它的任务里拿走，它的可用率会高到让你意外。
最后一个判断：未来两年本地化团队的核心岗位会从”译员”变成”语言资产管理员 + 审校策略设计者”。人不会退出这个环节，但人的位置会从生产端挪到规范端。提前把这个能力建起来的团队，扩语种的速度会是别人的三倍。
互动提问：你们的出海文案现在是什么流程？是全量机翻、机翻加抽检，还是已经建了术语表和按场景分的 prompt？踩过最贵的坑是哪一种？
互动提问：日语和阿拉伯语的礼貌层级、宗教合规这块，你们是靠母语员工把关，还是有别的机制？想听听不同规模团队的做法。
— IMAI 编辑部 | 2026-10-29